無線網絡關鍵性能指標（KPI）就猶如一把懸空之劍，讓無數運維人和網優人為之費心勞神、殫精竭慮。KPI異動往往預示著網絡某個層面出現問題，就好像我們人類出現發燒，往往可能是身體某處出現炎癥一樣。作為“網絡醫生”的運維網優人，每天面對成百上千KPI變化和大大小小的告警處理，很多時候疲于奔命，對KPI監控無法做到精確化和快速化，經常等到用戶投訴了才發現KPI的異常，才啟動處理流程，十分被動。出現這種情況，非運維網優專家不為也，很多時候是真不能也。比如傳統KPI監控只能設置靜態閾值，難以根據區域/場景以及時間段的不同差異進行區分，網絡指標異動容易被波動淹沒，人工統計KPI很難判斷，即使發現問題，再“望、聞、問、切”，逐步定位病根，給出藥方，這周期難免較長，而且對技術人員的技能要求也很高（“老專家”凸顯價值啊）！自然，我們希望有個系統能實時監控網絡KPI，對指標異動自動識別并定位引起異動的根因，那面對復雜網絡也能應對自如了。

中興無線智能運維系統借助AI人工智能，通過機器學習（ML：Machine Learning）和專家規則相結合來實現無線網絡KPI的異常檢測和故障診斷的自動化，相當于一個24小時運行的“網絡健康監測和診斷儀”，為網絡醫生們提供分析數據和根因診斷。

要想解決問題，先要能發現問題。無線網絡KPI隨著網絡制式及規模增長，應用場景差異及話務潮汐變化等，數據量變得非常龐大，在海量數據中及時發現KPI是正常波動還是異常變化，即使對“老專家”來說，也是一個艱巨的挑戰。為降低各種KPI綜合建模的難度，系統引入了基于結構特征的時間序列聚類方法。先通過傅立葉變換，將時間序列分為兩大類，重要周期性和非重要周期性，再基于KPI序列中提取的數個特征，采用k均值算法對每個主類別中的時間序列進行聚類。KPI分類完成后，系統為每個KPI類別選擇適當的時間序列模型，預測KPI在下個時間粒度的正常基線，如果網絡KPI實時測量值超過了在線檢測的基線，能夠在首個時間粒度內及時發現，也避免因潮汐效應以及網絡基礎條件等差異導致的誤報，漏報。

當系統檢測到KPI異常時，需要快速下鉆分析定位根因，以便于運維人員及時排除故障。智能運維系統采用基于規則的診斷模塊和基于ML的診斷模塊相結合的異常診斷方法，發揮中興在無線領域幾十年的經驗積累及AI智能的自我學習能力，實現根因判斷的快速收斂和高準確性，并適應多種復雜場景應用。

當檢測到的異常是已定義的已知故障時，系統根據關聯告警、操作日志、網絡拓撲和專家規則庫進行綜合分析，給出根因判斷和故障排查操作建議。

當檢測到的異常是未知故障時，基于ML的診斷模塊使用部分最小二乘回歸算法（PLS：Partial Least Square）進行根因分析和定位，通過對可能原因進行貢獻度分析，找出頂端的根計數器指標作為異常根因判定。

該系統建立在一個輕量化大數據底座上，與傳統部署在集群上的大數據系統不同，輕量化底座所需的硬件資源很少，甚至可以單機運行，但同時保留了傳統大數據系統的功能。這一特性可以使用戶利用現有環境或在資源受限時也能部署大數據和AI相關功能，大大減少了用戶網絡智能化轉型過程中的探索成本。同時，輕量化底座又有很好的可拓展性，可以從單機平滑拓展成分布式集群環境，且過程不影響業務的正常運行，可以將探索成果直接轉化上線。

目前，該功能在山東聯通和中興通訊聯合創新基地通過驗證，現網8萬小區成功接入無線網絡智能運維平臺，實現網絡KPI異動實時監控和根因精準定位分析，大幅縮短KPI異動小區問題定位和解決時間。這也是業界首個采用AI算法洞察網絡KPI異動，通過規則學習和機器學習快速準確定位問題根因，實現端到端閉環的解決方案。

在驗證期間，某子網LTE的E-RAB建立成功率突然從99.9%下降到99.2%，系統異動根因檢測功能很快發現并下鉆分析本次異動的根因，快速定位到ID 208203的eNodeB，發現這個基站的一個小區的成功率指標下降到0，引發全網相應指標異常波動。通過告警關聯分析，在KPI異動時間點，小區出現一次RRU異常導致的退服，后續的E-RAB空口建立指標全部超時失敗，依據智能系統分析結果，快速得出RRU故障導致本次指標下降異動的結論，整個故障定位分析時間不到10分鐘。而以前通過人工分析，一個有經驗的工程技術人員通過網管統計KPI分析指標異動，關聯告警、日志，下鉆TopN小區直至找出問題所在，至少得2小時。

隨著無線網絡的發展和5G的興起，網絡變得更加復雜，中興通訊不斷同運營商加強合作，加速網絡智化技術創新和成果轉化，通過網絡進化、運維進化、運營進化三大進化助力運營商開源節流、提升效率，助力網絡智能化轉型。
責任編輯:pj